基于LSSVM-ARMA的電站鍋爐NOx排放量動(dòng)態(tài)軟測(cè)量的研究

袁 洪， 宋選鋒， 趙 征

(華北電力大學(xué) 控制與計(jì)算機(jī)工程學(xué)院，河北 保定 071003)

基于LSSVM-ARMA的電站鍋爐NOx排放量動(dòng)態(tài)軟測(cè)量的研究

袁 洪， 宋選鋒， 趙 征

(華北電力大學(xué) 控制與計(jì)算機(jī)工程學(xué)院，河北 保定 071003)

建立準(zhǔn)確的 NOx排放量模型是鍋爐優(yōu)化降低NOx的基礎(chǔ)。為提高NOx排放量的預(yù)測(cè)精度，提出基于最小二乘支持向量機(jī)和自回歸滑動(dòng)平均模型的鍋爐 NOx排放量動(dòng)態(tài)軟測(cè)量的方法。基于某電廠330 MW機(jī)組的一段歷史運(yùn)行數(shù)據(jù)，首先，建立最小二乘支持向量機(jī)的NOx排放量靜態(tài)軟測(cè)量模型。其次，利用自回歸—滑動(dòng)平均方法實(shí)現(xiàn)對(duì)靜態(tài)模型的動(dòng)態(tài)校正。最后，針對(duì)2組不同樣本驗(yàn)證LSSVM-ARMA模型和LS-SVM模型，得到2個(gè)模型的平均誤差和均方根誤差。結(jié)果表明：與LS-SVM 模型相比，LS-SVM與ARMA相結(jié)合的模型具有更高的預(yù)測(cè)精度，對(duì)于電站鍋爐 NOx排放量的預(yù)測(cè)具有一定的有效性。

動(dòng)態(tài)軟測(cè)量； 最小二乘支持向量機(jī)； 自回歸滑動(dòng)平均； 氮氧化物排放量

0 引言

我國(guó)發(fā)電行業(yè)以燃煤鍋爐為主，煤炭燃燒過(guò)程中產(chǎn)生的NOx是造成大氣污染的主要因素。由于各種因素的制約，煤炭作為主要發(fā)電能源的事實(shí)近期很難改變。目前，對(duì)于電站鍋爐NOx排放量的軟測(cè)量方法可分為2種：靜態(tài)建模和動(dòng)態(tài)建模。實(shí)際運(yùn)行中由于鍋爐長(zhǎng)期處于變工況的動(dòng)態(tài)過(guò)程中，靜態(tài)建模方法無(wú)法準(zhǔn)確預(yù)測(cè)NOx的排放量。因此，研究火電機(jī)組NOx的動(dòng)態(tài)軟測(cè)量方法對(duì)于及時(shí)指導(dǎo)脫硝系統(tǒng)動(dòng)作、實(shí)現(xiàn)節(jié)能減排都具有現(xiàn)實(shí)意義[1]。

文獻(xiàn)[2]提出了基于鍋爐燃燒模型的脫硝NOx軟測(cè)量方法，采用軟測(cè)量和多變量技術(shù)相結(jié)合的方法使脫硝控制優(yōu)化達(dá)到了預(yù)期目標(biāo)。文獻(xiàn)[3]利用改進(jìn)的廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)對(duì)電站鍋爐燃燒過(guò)程建模，通過(guò)對(duì)比測(cè)試樣本的NOx輸出值和實(shí)際輸出值驗(yàn)證了其性能的優(yōu)越性。文獻(xiàn)[4]建立了NOx排放量的前饋反向人工神經(jīng)網(wǎng)絡(luò)模型，并用實(shí)際值對(duì)其預(yù)測(cè)值進(jìn)行了驗(yàn)證，證明了模型的有效性。這幾種方法存在泛化能力差的問(wèn)題。

由于最小二乘支持向量機(jī)建模具有較好的泛化能力，采用ARMA模型擬合時(shí)間序列可以得到當(dāng)前時(shí)刻輸出值與前幾時(shí)刻系統(tǒng)輸出變化之間的關(guān)系[5]。提出最小二乘支持向量機(jī)(Least Square Support Vector Machine，LS-SVM)與自回歸滑動(dòng)平均模型(Auto Regressive Moving Average，ARMA)相結(jié)合的方法建立NOx排放量的動(dòng)態(tài)軟測(cè)量模型，基于LS-SVM建立NOx排放的靜態(tài)模型，將靜態(tài)模型輸出值與實(shí)際測(cè)量值比較得出一組時(shí)間偏差序列，然后用ARMA對(duì)時(shí)間偏差序列建模，從而實(shí)現(xiàn)靜態(tài)模型的動(dòng)態(tài)校正。該方法結(jié)構(gòu)簡(jiǎn)單易實(shí)現(xiàn)，更加適用于實(shí)際生產(chǎn)。

1 最小二乘支持向量機(jī)

LS-SVM是將標(biāo)準(zhǔn)SVM采用最小二乘配方擴(kuò)展形成的，最早是在1999年由Suykens和Vandewalle提出用于處理分類問(wèn)題。LS-SVM采用誤差平方損失函數(shù)通過(guò)二次規(guī)劃問(wèn)題來(lái)求解線性方程組，這種方式有效地避免了SVM的復(fù)雜計(jì)算過(guò)程，從而縮短了求解時(shí)間[6]。目前，LS-SVM應(yīng)用于建模、模式識(shí)別、軟測(cè)量、故障診斷等方面[7]。

yi=f(xi)=〈w,φ(xi)〉+b

(1)

式中：〈,〉表示點(diǎn)積；w表示權(quán)重向量；b表示偏差；φ(xi)表示原始變量數(shù)據(jù)映射以后的值。LS-SVM相應(yīng)的優(yōu)化問(wèn)題轉(zhuǎn)化為公式(2)所示：

(2)

s.t:yi=wT·φ(xi)+b+ξi,i=1,2,…,m

式中：c為懲罰參數(shù)；ξi為誤差變量。

利用目標(biāo)函數(shù)和約束條件建立的拉格朗日函數(shù)為公式(3)所示：

(3)

式中：αi(i=1,2,…,m)代表乘子。

根據(jù)優(yōu)化條件

(4)

可得

(5)

上式的另一種表示方式如公式(6)所示：

(6)

式中：Ωij=φ(xi)Tφ(xj)=K(xi,xj)為核函數(shù)；Y=[1,…,1]T，Y為m×m階單位矩陣；α=[α1,…,αm]T為乘子；y=[y1,…,ym]T，最后計(jì)算的LS-SVM估計(jì)函數(shù)如公式(7)所示：

(7)

式中：K(x,xi)=〈φ(x),φ(xi)〉為核函數(shù)。

(8)

2 ARMA模型及其定階

自回歸滑動(dòng)平均(Autoregressive Moving Average, ARMA)[8-9]模型奠定了時(shí)間序列時(shí)域分析方法的基礎(chǔ)。

模型的一般形式為：

(9)

用Bk表示k步線性推移算子，即Bkxt=xt-k,Bkat=at-k，Bkc≡c，c為常數(shù)。

并令

φ(B)=1-φ1B-φ2B2-…-φpBp

(10)

θ(B)=1-θ1B-θ2B2-…-θqBq

(11)

則可簡(jiǎn)記為：

φ(B)xt=θ(B)at

(12)

式中的形式可以記作ARMA(p,q)模型，表示p階自回歸、q階滑動(dòng)平均模型。

通常采樣時(shí)間序列是不平穩(wěn)的，因此，首先要判斷采樣序列是否平穩(wěn)，若為非平穩(wěn)可以采用差分來(lái)消除這種不平穩(wěn)因素的影響，若差分后的序列均值趨于零，則認(rèn)為序列是均值化的，否則序列要進(jìn)行均值化處理。時(shí)間序列可以通過(guò)數(shù)據(jù)內(nèi)部的相互關(guān)系來(lái)辨識(shí)系統(tǒng)的變化規(guī)律，它的建模方法是將系統(tǒng)的輸出看作是在白噪聲輸入下的對(duì)應(yīng)[10-11]。

將平穩(wěn)化后的時(shí)間序列通過(guò)計(jì)算自相關(guān)與偏相關(guān)系數(shù)來(lái)判定模型的階數(shù)。模型的定階原則如表1所示。

表1 ARMA模型的定階原則

拖尾是指圖形成衰減的指數(shù)型波動(dòng)形式；截尾的k=p代表的是當(dāng)k>p步時(shí)，其后的任意數(shù)趨于零。

3 建立基于LSSVM-ARMA動(dòng)態(tài)軟測(cè)量模型

基于 LSSVM-ARMA動(dòng)態(tài)軟測(cè)量模型結(jié)構(gòu)如圖1所示。

圖1 LSSVM-ARMA模型結(jié)構(gòu)圖

通過(guò)結(jié)構(gòu)圖可以看出，模型的建立步驟如下：

3.1 輸入變量的選擇

由文獻(xiàn)[12-16]可知影響NOx生成量的主要因素有：總煤量、總風(fēng)量、二次風(fēng)總風(fēng)量、A、B、C、D、E、AA、AB、CD、DE、EE共10層二次風(fēng)擋板開(kāi)度、3層燃燼風(fēng)擋板開(kāi)度、煙氣溫度和煙氣含氧量。

采集以上原始變量的歷史運(yùn)行數(shù)據(jù)，用拉依達(dá)法對(duì)樣本中波動(dòng)超出正常范圍的值預(yù)處理，將預(yù)處理后的原始輸入變量數(shù)據(jù)進(jìn)行相關(guān)性分析得到輸入變量間的相關(guān)系數(shù)關(guān)系如圖2所示。

圖2 Pearson相關(guān)系數(shù)關(guān)系

由圖2可知，各個(gè)變量之間存在著正相關(guān)和負(fù)相關(guān)，部分輸入變量之間存在著較強(qiáng)的相關(guān)性，因此，需要在建立NOx排放模型之前對(duì)輸入變量進(jìn)行主元分析(PCA)，從降維后的主元中選出主要變量。經(jīng)過(guò)PCA后的主成分貢獻(xiàn)率及累計(jì)貢獻(xiàn)率如圖3所示。

圖3 主成分貢獻(xiàn)率及累計(jì)貢獻(xiàn)率

設(shè)累計(jì)貢獻(xiàn)率的要求為80%，選擇的主元個(gè)數(shù)為4，采用PCA方法計(jì)算前4個(gè)主元上的載荷，主元1輸出結(jié)果如圖4所示。

圖4 主元1得分貢獻(xiàn)率

由圖4可知，在主元1中變量1、變量7與變量8的貢獻(xiàn)率較高，對(duì)應(yīng)的輔助變量為總煤量、D層與E層二次風(fēng)擋板開(kāi)度。同理得出其他3個(gè)主元上的輔助變量。最后選出主元為：總煤量、總風(fēng)量、A、B、D、E和AA層二次風(fēng)擋板開(kāi)度。

3.2 建立基于LS-SVM的靜態(tài)軟測(cè)量模型

將總煤量、總風(fēng)量、A、B、D、E和AA層二次風(fēng)擋板開(kāi)度作為輸入變量，脫硝反應(yīng)器入口的NOx生成量輸出變量，建立LS-SVM的靜態(tài)軟測(cè)量模型，模型的訓(xùn)練結(jié)果及相對(duì)誤差的預(yù)測(cè)結(jié)果如圖5和圖6所示。

圖5 LS-SVM訓(xùn)練結(jié)果

圖6 LS-SVM訓(xùn)練模型相對(duì)誤差

3.3 基于靜態(tài)模型的動(dòng)態(tài)校正

將LS-SVM的訓(xùn)練值與測(cè)量值的偏差當(dāng)作一組時(shí)間序列來(lái)處理，通過(guò)計(jì)算自相關(guān)與偏相關(guān)系數(shù)判斷其階數(shù)為：p=3；q=2。則判斷出時(shí)間序列模型為ARMA(3,2)。利用ARMA(3,2)模型對(duì)該時(shí)間序列進(jìn)行建模，得到關(guān)于預(yù)測(cè)誤差的ARMA模型。

針對(duì)2組不同的樣本對(duì)LS-SVM模型與LSSVM-ARMA模型進(jìn)行測(cè)試。結(jié)果如圖7、圖8所示。

圖7 樣本1 NOx濃度預(yù)測(cè)值

圖8 樣本2 NOx濃度預(yù)測(cè)值

文中利用平均誤差與均方根誤差作為評(píng)價(jià)指標(biāo)，分析了模型的準(zhǔn)確性。表2為2組樣本的LSSVM-ARMA模型與LS-SVM的模型的平均相對(duì)誤差與均方根誤差，通過(guò)表2描述統(tǒng)計(jì)量可以清楚地看出模型預(yù)測(cè)效果的優(yōu)劣。

表2 描述統(tǒng)計(jì)量

2組不同樣本的測(cè)試結(jié)果顯示，LSSVM-ARMA模型與LSSVM模型的預(yù)測(cè)值平均誤差相差約0.2 mg/Nm3，均方根誤差相差約0.03 mg/Nm3。

4 結(jié)論

基于最小二乘具有較好的泛化能力，本文分析了影響電站鍋爐NOx排放量的因素，建立了基于最小二乘支持向量機(jī)的NOx排放量靜態(tài)模型，用ARMA模型對(duì)LS-SVM模型的預(yù)測(cè)誤差進(jìn)行動(dòng)態(tài)估計(jì)，進(jìn)而實(shí)現(xiàn)對(duì)靜態(tài)模型的動(dòng)態(tài)校正，提高了模型的預(yù)測(cè)精度。預(yù)測(cè)結(jié)果表明：基于LS-SVM-ARMA動(dòng)態(tài)模型預(yù)測(cè)精度明顯高于LS-SVM模型的預(yù)測(cè)精度，能夠滿足實(shí)際應(yīng)用的需求。

[1]朱涵. 浙大清潔技術(shù)大幅降低燃煤有害排放[N]. 經(jīng)濟(jì)參考報(bào), 2015-04-20 (6).

[2]陳榮超. 燃煤電廠脫硝NOx的軟測(cè)量技術(shù)和自動(dòng)控制優(yōu)化[J]. 電力科學(xué)與工程,2015,31(1):15-19.

[3]趙敏,顏文俊,鄭軍. 基于廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的電廠鍋爐燃燒優(yōu)化建模[J]. 熱力發(fā)電,2010,39(3):19-22.

[4]BALAMURUGAN I, GOUNDER V, KULENDRAN B, et al. ANN-SQP approach for NOxemission reduction in coal fired boilers[J]. International Journal of Emerging Electric Power Systems,2012,13(3):449-461.

[5]杜文莉, 官振強(qiáng), 錢鋒. 一種基于時(shí)序誤差補(bǔ)償?shù)膭?dòng)態(tài)軟測(cè)量建模方法[J]. 化工學(xué)報(bào), 2010,61(2):439-443.

[6]王廣龍,呂猛,趙文杰. 基于遺傳算法的電站鍋爐NOx排放量LS-SVM建模[J]. 自動(dòng)化與儀器儀表,2016(2):70-72.

[7]卓建坤,焦偉紅,宋少鵬，等. 鍋爐燃燒優(yōu)化中NOx預(yù)測(cè)模型研究進(jìn)展[J]. 燃燒科學(xué)與技術(shù),2016,22(6):531-540.

[8]趙瑜, 薛白, 張建偉. 基于ARMA模型的橋梁結(jié)構(gòu)模態(tài)參數(shù)辨識(shí)研究[J]. 華北水利水電大學(xué)學(xué)報(bào), 2015,36(2):21-24.

[9]孫慧芳,桂中華,李林揚(yáng)，等. 基于時(shí)間序列組合模型的水電機(jī)組狀態(tài)趨勢(shì)預(yù)測(cè)[J]. 水力發(fā)電學(xué)報(bào),2016,35(1):79-86.

[10]喻敏,常毓嬋,袁浩,等. 基于HP-EMD和ARMA的短期風(fēng)速預(yù)測(cè)[J]. 中國(guó)科技論文,2016,11(5):566-570.

[11]李生彪. 基于ARMA模型的故障率時(shí)間序列預(yù)測(cè)[J]. 自動(dòng)化與儀器儀表,2015(12):218-219.

[12]童小川. 燃煤電廠氮氧化物NOx排放控制研究[D].北京:華北電力大學(xué),2016.

[13]李建強(qiáng),姜翻,汪安明，等. 粗糙集在控制燃煤電廠NOx排放中的應(yīng)用[J]. 電力科學(xué)與工程,2014,30(12):19-23.

[14]李永華,李金芳,郝曉路. 不同粒徑下低氮燃燒時(shí)含S產(chǎn)物和NOx釋放特性的實(shí)驗(yàn)研究[J]. 華北電力大學(xué)學(xué)報(bào)(自然科學(xué)版),2017,44(3):99-105.

[15]呂游, 劉吉臻. 基于PLS特征提取和LS-SVM結(jié)合的NOx排放特性建模[J]. 儀器儀表學(xué)報(bào), 2013,34(11):2418-2424.

[16]GUO Y F, BU Y D, HE F L,et al. Numerical Simulation Study on Nitrogen Oxides Emissions of Power Plant[J]. Applied Mechanics and Materials,2013,2301(295):915-918.

Research on Dynamic Soft Sensing of NOxEmission for Utility Boiler Based on LSSVM-ARMA

YUAN Hong， SONG Xuanfeng， ZHAO Zheng

(School of Control and Computer Engineering, North China Electric Power University, Baoding 071003，China)

An accurate NOxemission model is the cornerstone of the boiler optimization and NOxreduction. To improve the forecast accuracy of NOxemissions, a dynamic soft measurement of NOxemissions is proposed, which is based on least-square support vector machine (LS-SVM) and auto regress moving average (ARMA). According to the historical operation data of a 330 MW unit in some power plant, firstly, a static soft sensor model of NOxemission based on least-square support vector machine is established. Secondly, the dynamic correction of the static model is realized by the auto regressive moving average method. Finally, the lssvm-arma model and LS-SVM model are validated through two different sets of samples, and hence the average error and root mean square error of the two models are obtained. The results show that compared with the LS-SVM, the combination of LS-SVM and ARMA has higher prediction accuracy, and it is effective for the prediction of NOxemissions of the power plant boilers.

dynamic soft sensing；least squares support vector machines；ARMA；NOxemission

2017-08-16。

新能源電力系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室開(kāi)放課題資助(LAPS16008)；中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目(2017MS133)。

10.3969/j.ISSN.1672-0792.2017.12.009

TK321

A

1672-0792(2017)12-0050-05

袁洪(1992-)，女，碩士研究生，研究方向?yàn)闊峁み^(guò)程控制及建模。